通过时间序列聚类改进互联网流量矩阵预测.pdfVIP

通过时间序列聚类改进互联网流量矩阵预测

MarthaCashAlexanderWyglinski

WorcesterPolytechnicInstituteWorcesterPolytechnicInstitute

Worcester,MAWorcester,MA

mcash@alexw@

)

摘要—我们提出了一种利用时间序列聚类来改进互联网流s

p

b

MSDpairs

量矩阵（TM）预测的新框架，使用深度学习（DL）模型。TM(30(0,3)

d(0,4)

n

a(0,6)

20

内的流量流通常表现出多样的时态行为，这会在跨所有流训练m(0,7)

e

D10

单个模型时妨碍预测准确性。为了解决这一问题，我们提出了两c

i

f

f

a

r

本种聚类策略——源聚类和直方图聚类——在模型训练前将具有T025050075010001250150017502000

相似时间模式的流进行分组。聚类创造了更同质的数据子集，使Time(min)

译模型能够更有效地捕捉潜在模式，并比适应整个TM的单一全

中局预测方法更好地泛化。与